Forskning om dåsighetsdetektion hos UAV-operatörer baserat på metoden random decision forest

Varför det är viktigt att hålla drönarpiloter vakna

När drönare tar över fler uppgifter—från inspektion av kraftledningar till stöd vid räddningsinsatser—måste de personer som styr dem från marken förbli skärpta. Långa uppdrag, repetitiva skärmar och nattskift kan emellertid tyst föra operatörer mot dåsighet, vilket ökar risken för kostsamma eller till och med dödliga misstag. Denna artikel undersöker hur ett kamerasystem kan övervaka en pilots ansikte i realtid och använda en transparent maskininlärningsmetod för att avgöra när någon blir för sömnig för att flyga säkert.

Tre sätt att upptäcka en sömnig operatör

Författarna börjar med att beskriva tre breda familjer av dåsighetsdetektion. En ser på hur ett fordon beter sig: slingrande inom en fil, avdrift från kurs eller fler kontrollfel. En annan övervakar kroppens och hjärnans signaler, såsom hjärnvågor, hjärtrytm, andning eller hudkonduktans. Dessa angreppssätt kan vara precisa men kräver ofta att människor bär sensorer, vilket kan vara obekvämt och opraktiskt i verkliga kontrollrum. Den tredje familjen tittar på yttre beteende: hur ofta någon blinkar, hur länge ögonen förblir stängda, om de gäspar och hur huvudet lutar. Eftersom kameror kan fånga denna information utan att beröra operatören är beteendemetoder särskilt attraktiva för drönarkontrollcenter.

Att läsa tecken i ansiktet

Systemet som utvecklats i denna studie fokuserar på ett fåtal ansiktsledtrådar som tidigare forskning kopplar till dåsighet. Ett datorvisionsbibliotek spårar 3D-punkter i operatörens ansikte i en livevideoström. Från dessa landmärken beräknar programmet “eye aspect ratio” för att uppskatta hur öppna ögonen är, andelen tid ögonen förblir mestadels stängda över en minut (en välkänd måttstock kallad PERCLOS), hur mycket munnen öppnas och hur långt huvudet lutar framåt, bakåt eller åt sidan. Mjukvaran körs snabbt nog på konsumenthårdvara för att ge nästintill realtidsfeedback, och den loggar också alla mätningar för senare analys.

En enkel regel med ett smart reservsystem

För att avgöra om en pilot är dåsig kombinerar författarna en betrodd regel med en mer flexibel modell. PERCLOS, som har starkt stöd i sömn- och säkerhetsforskning, fungerar som huvudgrindvakt: mycket låga värden indikerar vakenhet, mycket höga värden indikerar dåsighet. När PERCLOS hamnar i ett mellanskikt vänder sig systemet till en random forest-klassificerare som tittar på ögonöppning, muntillstånd och huvudlutning tillsammans. En random forest är en samling av många små beslutsstammar, där varje träd röstar om tillståndet; deras sammanlagda röst avgör resultatet. Systemet jämnar också ut besluten över ett kort tidsfönster, så att en enstaka avvikande bildruta inte utlöser ett onödigt larm.

Att se in i modellens resonemang

Till skillnad från många djupinlärningssystem som fungerar som ogenomskinliga ”svarta lådor” kan en random forest undersökas för att visa hur den når sina beslut. Författarna tränade sin modell på en välanvänd videodatabas för trötthetskörning och testade den både på avskilda försökspersoner från den uppsättningen och på en separat databas. Prestandan var stabil, med systemet mer benäget att ge ett falskt alarm än att missa en verkligt sömnig operatör—en säkrare avvägning inom luftfart. Genom att plotta hur den predicerade risken förändras när varje egenskap varierar visar de till exempel att mycket små ögonöppningar starkt lutar modellen mot ett dåsighetsutslag, medan extrema huvudlutningar blir misstänkta först bortom en viss vinkel. En analys av funktionsbetydelse bekräftar att ögonöppning dominerar modellens bedömning, medan muntillstånd och huvudlutning spelar stödjande roller.

Vad detta betyder för säkrare drönarflygningar

Studien drar slutsatsen att ett tolkbart ansiktsovervakningssystem, förankrat i ett välvaliderat mått på ögonlocksslutning och stödjat av en random forest, pålitligt kan flagga dåsighet hos drönaroperatörer utan att koppla dem till medicinsk utrustning. Samtidigt blottlägger den transparenta modellen bias och luckor i träningsdata, vilket vägleder hur framtida system bör förbättras—till exempel genom att lägga till mer varierade försökspersoner, ljusförhållanden och ytterligare signaler från själva drönaren. Enkelt uttryckt visar detta arbete en väg mot cockpit-liknande säkerhetsövervakning för fjärrpiloter som både är praktisk att driftsätta och öppen för granskning, vilket hjälper organisationer att lita på och förfina tekniken som vakar över deras besättningar.

Citering: Wojtowicz, K., Wojciechowski, P. & Panasiewicz, A. Research on drowsiness detection in UAV operators based on the random decision forest method. Sci Rep 16, 9726 (2026). https://doi.org/10.1038/s41598-026-39195-y

Nyckelord: detektion av dåsighet, drönarpiloter, ansiktsovervakning, random forest, flygsäkerhet